基于特征分類器的研究與優化的人臉年齡分類

任明罡++陳岳林++蔡曉東

摘 要：由于人的年齡特征具有較強的個體差異性和不可控制性，現有的年齡估計結果和實踐經驗表明，年齡估計的研究還需要對特征分類器進行更深入的研究。本文提出了對特征分類器進行研究與優化，通過比較LBP和AAM兩種特征提取法，選用支持向量機分類器，利用網格搜索的交叉驗證法搜索高斯徑向基核函數最優參數，用“一對一”的多分類方式實現對人臉年齡分類。實驗結果表明，實現對年齡段的分類，同時總結了不同特征分類器的基本應用規律。

關鍵詞：年齡分類 特征分類器 支持向量機

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2014）07（c）-0025-02

人臉包含的豐富的信息，如身份、年齡、性別、健康狀況等。基于特征分類器的研究與優化的人臉年齡估計的研究，無論是對實用價值還是科學意義都很重要。1990年以來，涌現出很多技術方法，每年都有大量的學術論文發表到各種期刊雜志，1994年Kwon和Lobo所發表的論文[1]是這方面最早的研究論文，但是2002年Lanitis的研究[2]才能算的上真正意義的研究這個領域。年齡問題也引起了國內研究者的廣泛關注，清華大學王俊艷，蘇大光等[3]人通過多尺度主動形狀模型（ASM）自動獲取特征點標注得到相應坐標等實現對年齡的估計，這需要多幅不同年齡段進行訓練，而采集這樣一個人臉庫比較困難。

由于不同年齡段的人有不同的年齡特征，這里我們主要對特征分類器的優化結合著人類年齡成長的規律劃分為5個年齡段來分析：嬰兒、兒童、少年、青年、中老年。

1 人臉紋理特征提取

1.1 人臉圖像預處理

該文選用的是FG-NET標準人臉庫，這些圖片都是通過舊相片掃描得到需要預處理。該文主要通過人臉檢測、灰度化處理、幾何歸一化對原始圖片進行處理。最終結果如圖1所示。

可以看出處理之后的圖像摒除了衣領、頭發、背景等的干擾，圖像姿態歸一化，幾何歸一化，并且補償了光照不均帶來的影響，圖像細節變得更加清晰。

1.2 人臉年齡特征提取

（1）建立主動外觀模型。

隨著年齡的增長，人的臉型輪廓和紋理都會發生變化。主動外觀模型AAM算法主要包含模型的建立和模型的匹配兩個過程，包括建立形狀模型、紋理模型和組合模型三個部分。

先按相同順序手動在人臉圖片上選擇68個特征點，接著采用Procrustes分析法[4]使所有的形狀向量對齊到統一的坐標中，接著建立AAM的形狀建模，通過PCA主特征提取，任意一個人臉形狀向量可以表示為式（1）所示。

其中S0表示平均形狀，Pi表示對應個特征值的特征向量，bs表示形狀參數。

將平均形狀的特征點的人臉圖像進行Delaunay三角化[5]，利用分段線性仿射方法將人臉形狀區域內的皮膚紋理信息映射到基準模板形狀網格中，進行一致的紋理采樣就可以獲得歸一化處理后的人臉皮膚紋理樣本數據；最后通過PCA分析，實現對皮膚紋理的建模如式（2）所示。

其中A0（X）表示平均紋理向量，Pg表示維的紋理特征向量，bg表示時紋理特征參數。

由于形狀特征參數是用坐標集合度量的，而紋理特征參數是用像素灰度集合度量的，他倆不能直接進行組合，而所以我們需要引入一個權重組合到一起，建立組合外觀模型。對人臉圖片組合外觀模型如圖2所示。

（2）局部二值提取。

局部二值模式LBP由Ojala[6]首先提出，是一種有效的紋理提取算子。本文采8鄰域的LBP算子提取紋理特征。設中心灰度值為gc，周圍8個像素點灰度值為gi，其LBP計算過程為（3）式。

對一副人臉圖片提取其LBP特征以后，得到的LBP特征必須是一副人臉圖片，上面記錄著每個像素點的LBP值，提取效果如圖3所示。

接著進行分塊直方圖統計，關于分塊的具體分法沒有統一的要求，本文以人臉分為3×2塊為例，圖像的每個區域的LBP直方圖定義如式（5）所示。

2 人臉年齡分類器設計

2.1 典型特征分類器選用

支持向量機SVM分類，針對有線訓練樣本，可以尋求的最好中和結果在模型的復雜性和學習能力之間。通過非線性變換將輸入空間變換到一個高維空間，求取一個最優的超平面作為決策面，使得正樣本和負樣本之間的隔離邊緣被最大化。

2.2 核函數的選擇與分類

該文選用RBF核函數，關于其參數的優化選取，本文具體方法為：本文中的范圍設置在[2-10，27]，的范圍設置在[2-10，23]，步距均為0.1。本文將搜索范圍分為兩級，先在較大范圍內進行粗網格搜索，如果最小的對應多組，就選取搜索到的第一組參數作為最優參數；接著不斷縮小參數遞增步長的方式，利用傳統的細網格搜索來確定最優參數。

常用的級聯方式有：“多級分層”分類器、“一對多”分類器以及“一對一”分類器。對于一個類分類問題，對比如表1所示

結合本文研究的內容，本文采用“一對一”多分類，需要構造個判別函數，選擇其所對應的向量作為訓練樣本，然后得到10個訓練結果，采取投票的形式，然后得到一組結果。

3 實驗結果與分析

3.1 實驗結果

該文對特征分類器的研究與優化，經過網格搜索的交叉驗證后，本文參數取2.8384，取0.0323時，識別率最高，而且訓練和識別速度也比較快。本文在每一個年齡組類別中選擇100個樣本進行測試。

（1）AAM形狀和紋理模型。

這組實驗主要針對形狀和紋理特性，將形狀向量參數和紋理向量參數降維后利用權值進行融合，結果如表2所示。

（2）LBP-AAM形狀和紋理模型。

這組提取LBP-AAM組合外觀模型通過PCA降維后，分類的結果如表3所示。

3.2 實驗分析

通過表2和表3數據比較，整體年齡段的分類都得到了提高。對于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對光照敏感，只是用圖像的亮度，不能很好的反應圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實驗來優化特征分類器，提高了分類準確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結如下：該文用的是FG-NET標準人臉庫，當中有的表情過于夸張或者側臉超過一定角度等；實驗中每組實驗訓練和測試樣本均含有男女圖片，女性由于化妝等原因，對提取特征帶來影響；本實驗用的網格搜索法，為了節省搜索的時間，這個過程也會忽略掉一些年齡特征，對分類準確率帶來影響

4 結語

該文通過實驗得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進行特征提取進行訓練和分類，通過實驗比較得出組合模型比用單一局部紋理特征提取分類準確率高，實驗顯示本文提出的優化的特征分類器具有更高的分類準確率。但是由于年齡分類的復雜性和選擇的樣本原因，以及本文采用的實驗算法等原因，實驗總是有一些誤分類。

參考文獻

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計[J].清華大學學報（自然科學版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學，2005.

[5] Gary Bradski，Adrian Kaehler著.學習OpenCV[M].于仕琪，劉瑞禎，譯.清華大學北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.

3.2 實驗分析

通過表2和表3數據比較，整體年齡段的分類都得到了提高。對于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對光照敏感，只是用圖像的亮度，不能很好的反應圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實驗來優化特征分類器，提高了分類準確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結如下：該文用的是FG-NET標準人臉庫，當中有的表情過于夸張或者側臉超過一定角度等；實驗中每組實驗訓練和測試樣本均含有男女圖片，女性由于化妝等原因，對提取特征帶來影響；本實驗用的網格搜索法，為了節省搜索的時間，這個過程也會忽略掉一些年齡特征，對分類準確率帶來影響

4 結語

該文通過實驗得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進行特征提取進行訓練和分類，通過實驗比較得出組合模型比用單一局部紋理特征提取分類準確率高，實驗顯示本文提出的優化的特征分類器具有更高的分類準確率。但是由于年齡分類的復雜性和選擇的樣本原因，以及本文采用的實驗算法等原因，實驗總是有一些誤分類。

參考文獻

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計[J].清華大學學報（自然科學版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學，2005.

[5] Gary Bradski，Adrian Kaehler著.學習OpenCV[M].于仕琪，劉瑞禎，譯.清華大學北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.

3.2 實驗分析

通過表2和表3數據比較，整體年齡段的分類都得到了提高。對于AAM組合外觀模型能提取臉部的形狀和紋理信息，由于人臉包含的信息太多，簡單的全局特征如全局形狀或紋理特征，并不能很好的反映出人臉的年齡特征，僅是將全局的形狀特征與紋理特征組合。而且AAM紋理特征對光照敏感，只是用圖像的亮度，不能很好的反應圖像深層次的信息，也不能很好的描述臉部的紋理信息，所以缺少足夠的臉部紋理信息。而LBP直方圖紋理特征的提取簡單高效，所以我們最后用LBP直方圖特征與AAM組合模型結合建立LBP-AAM模型，整體年齡段的分類都得到了提高。

該文通過兩組實驗來優化特征分類器，提高了分類準確率，但是總是有不足，每一組分類都有一定的誤分類，其原因總結如下：該文用的是FG-NET標準人臉庫，當中有的表情過于夸張或者側臉超過一定角度等；實驗中每組實驗訓練和測試樣本均含有男女圖片，女性由于化妝等原因，對提取特征帶來影響；本實驗用的網格搜索法，為了節省搜索的時間，這個過程也會忽略掉一些年齡特征，對分類準確率帶來影響

4 結語

該文通過實驗得出用LBP提取分塊直方圖特征，用AAM提取形狀和紋理特征，最后用LBP-AAM進行特征提取進行訓練和分類，通過實驗比較得出組合模型比用單一局部紋理特征提取分類準確率高，實驗顯示本文提出的優化的特征分類器具有更高的分類準確率。但是由于年齡分類的復雜性和選擇的樣本原因，以及本文采用的實驗算法等原因，實驗總是有一些誤分類。

參考文獻

[1] Y.H.Kwon，and N.V.Lobo.Age classification from facial images[C]//Proceeding of IEEE Conf.on Computer Vision and Pattern Recognition.Seattle， Washington，U.S.A，1994：762-767.

[2] Lanitis A，Taylor CJ，Cootes TF.Toward automatic simulation of aging effects on face images [J].Pattern Analysis and Machine Intelligence，IEEE Transactions on.2002，24（4）：442-455.

[3] 王俊艷，蘇光大，林行剛.人臉圖像年齡估計[J].清華大學學報（自然科學版），2007，47（4）：526-529.

[4] 杜克勤.Procrustes問題的若干研究[D].浙江大學，2005.

[5] Gary Bradski，Adrian Kaehler著.學習OpenCV[M].于仕琪，劉瑞禎，譯.清華大學北京，2009.

[6] T.Ojala，M. Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured distribution[J].Pattern Recognition，1996，29（1）：51-59.